目录 走进决策树 案例一 案例二 灵魂的树 决策树的选择机制 节点纯度的度量规则 纯度的度量方法 决策树算法背景介绍 信息(Information)和信息的量化 信息熵(Information Entropy) 条件熵(Conditional Entropy) 信息增益(Information Gain，ID3算法使用) 信息增益总结 基尼指数(Gini Index,CART算法使用) 代码实现 特征的重要性 参数splitter 剪枝参数 代码案例 手动对max depth 进行调参 min_impurity_decrease调参 网格搜索 带入最佳参数进行训练 决策树模型特征选取 相关系数 轻量级的高效梯度提升树特征选取 再次带入模型进行训练 决策树可视化 ROC曲线AUC 总结 每文一语 👇👇🧐🧐✨✨🎉🎉 欢迎点击专栏其他文章（欢迎订阅·持续更新中~） 机器学习之Python开源教程——专栏介绍及理论知识概述 机器学习框架及评估指标详解
本文详细介绍了机器学习中的决策树算法，从理论基础到实战应用，包括信息熵、信息增益、基尼指数等概念，以及决策树的选择机制和节点纯度的度量。通过案例分析和代码实现，展示了如何利用决策树进行特征选择和模型调参，以及可视化决策树的过程。最后，讨论了决策树的优缺点，强调了在实际应用中防止过拟合的重要性。
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
